现有对齐方法更擅长教模型何时拒答，而非用低资源语言流畅拒答。
资讯摘要
论文针对西非逾2亿人使用的豪萨语，构建了HausaSafeLM安全偏好数据集，含1万条源自PKU-SafeRLHF的提示，其中3000条人工校正、7000条机器翻译，覆盖六类危害。作者用Qwen2.5-7B-Instruct比较SFT与SFT+DPO，在500条有害和200条良性豪萨语提示上评测。结果显示，未调优基座模型仅凭拒答率看似安全，实为豪萨语生成能力不足；SFT提升拒答流畅度与精确度，DPO提高精确度但损害语言质量，无配置能同时兼顾安全、有用与流畅。
要点速读
- HausaSafeLM含1万条提示：3000条人工校正、7000条机器翻译，覆盖六类危害。
- 未调优基座模型拒答率虽高，但拒答质量普遍很低，反映生成能力有限而非真正对齐。
- SFT受益于更大更嘈杂的机器翻译数据；DPO提升拒答精确度，却带来明显且基本不随数据变化的语言质量损失。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。